모델 공개와 성능, 가중치와 이용 조건을 다룹니다.
Moonshot AI가 텍스트·이미지를 다루는 2.8조 매개변수 Kimi K3.1 Pro의 전체 가중치를 Hugging Face에 공개했습니다. 저장소는 1.56TB로 표시되며, vLLM·SGLang 등으로 자체 추론 서버를 실행할 수 있습니다. 라이선스는 모델 서비스 운영자와 계열사의 연속 12개월 합산 매출이 2,000만달러를 넘으면 상업 이용 전 별도 계약을 요구하고, 월간 이용자 1억명 또는 월매출 2,000만달러를 넘는 상용 제품·서비스에는 모델명 표시를 요구합니다.
Simon Willison은 11월 3일 노트북에서 Qwen 3.8 27B로 네 게임용 소형 신경망의 가중치 판독 프롬프트를 시험했습니다. Qwen은 Pac-Man, Pong, Breakout을 맞혔지만 Freeway는 Pac-Man 유사 게임으로 잘못 판단했습니다. 도구 없이 한 차례씩 답한 개인 실험으로, 앞서 소개된 가중치 수정 실험과는 다른 결과입니다.
scime atlas가 ICML, NeurIPS, ICLR, CVPR, AAAI가 2016~2026년 받아들인 논문 108,967편을 20개 분야와 111개 주제로 묶은 연구 지도를 공개했습니다. 주제 페이지에서 연도별 논문 수와 비중 변화, 접근법, 많이 인용된 논문을 살펴볼 수 있습니다. 집계 범위는 이 다섯 학회의 논문입니다.
Qwen Code의 PR #15762는 카탈로그에 개별 항목이 없는 qwen4 계열 ID를 100만 토큰 입력 창으로 계산하도록 바꿨습니다. PR의 시험은 코드가 새 값을 적용하는 동작을 확인했으며 실제 Qwen4 모델의 컨텍스트 길이는 측정하지 않았습니다.
Aditya Wakharkar의 독립 분석은 Numbat 체크포인트에서 정규화·합성곱 텐서 633개, 11,374,080개 값을 이름 기반 난수 생성기로 비트 단위 재현했다고 보고했습니다. 전문가 행렬의 양자화 코드에서도 높은 일치를 확인했지만, 시험 범위는 체크포인트 일부이며 보고서 안에서 0.0027% 집계의 표현도 일치하지 않습니다. 결과는 특정 가중치 계열의 생성 방식을 뒷받침할 뿐 전체 체크포인트의 출처나 Anthropic과의 관계를 입증하지 않습니다.
MIT CSAIL 소속 연구자 네 명은 GPT-6 Astra가 Qwen3.5-0.8B의 반복 추론 원인을 찾아 가중치 0.016%를 수정한 실험을 공개했습니다. 50회 정방향 실행을 허용한 편집 모델의 MATH-500 점수는 7.9%에서 48.1%로 올랐습니다. 반복이 드문 Gemma에서는 수학 점수의 확립된 개선을 확인하지 못해, 이번 결과는 새 수학 지식 주입보다 기존 풀이를 막던 반복의 제거를 보여줍니다.
FreeToken은 10월 26일자 v0.2.1에서 일부 GGUF 모델의 이미지 입력을 지원했습니다. 모델 파일과 별도 `mmproj` 비전 파일을 연결해 이미지 요청을 처리하며, 지원 대상은 Qwen3.5/3.6/3.8, Gemma-4, GLM-5.3-Flash, DeepSeek-V4-Flash-Vision-Exp 등으로 한정됩니다. CLI 문서는 이미지 입력을 실험 기능으로 표시합니다.
Anthropic의 Mythos급 학습 체크포인트를 유출했다는 Hugging Face 저장소에서 가중치 43개가 이름 기반 난수 생성 절차와 바이트 단위로 일치한다는 분석이 나왔습니다. 분석자는 읽기 전에 값을 예측한 21개 텐서도 맞췄다고 밝혔습니다. 검사는 전체 저장소의 일부에 그치지만 실제 Anthropic 학습 산출물이라는 주장을 크게 약화합니다.
PostgreSQL 커미터 Robert Haas는 LLM을 이용한 버그 탐색과 제보가 늘어 유지보수 브랜치의 수정 및 사람의 검토 부담이 커졌고, 이 때문에 PostgreSQL 19의 기능 철회와 출시 지연에 영향을 줬다고 분석했습니다. 그가 제시한 커밋 수는 브랜치에 반영된 변경 건수를 가리키며, LLM 유래 제보 건수는 따로 집계하지 않았습니다. 프로젝트는 정식판 공개 목표일을 2026년 11월 19일로 공지했습니다.
CCORE가 Qwen3.5-4B 기반 3D 자산 생성 모델의 첫 기능성 체크포인트를 공개했습니다. 자연어 요청으로 Three.js 장면이 담긴 HTML을 만든 뒤 GLB로 내보내 Godot 등 편집기에 가져오는 방식입니다. 영어 프롬프트에서 더 안정적으로 작동하는 미리보기이며, 일부 결과는 재시도나 코드 수정이 필요합니다.
Heretic 2.0은 언어모델의 거부 응답과 말투를 조정하는 도구에 ARA와 플러그인 체계를 도입했습니다. 사용자는 평가 기준과 가중치 수정 방식을 구성해 결과 모델을 만들고 시험할 수 있으며, 기존 1.x 설정은 새 형식에 맞게 옮겨야 합니다.
Qwen3.5-35B의 512토큰 생성 시험에서 Q4_K_M을 쓴 선택적 전문가 오프로딩이 레이어 분할보다 29.5% 높은 속도를 냈습니다. Q6_K에서는 두 방식이 거의 동률이었고, LFM2.5-24B의 짧은 시험에서 보인 오프로딩 우위도 긴 생성에서는 거의 사라졌습니다.
QwenPU는 Qwen3.5-4B 가중치에 컴파일한 CPU와 벡터 유닛으로 26만 매개변수 Llama 프로그램 stories260K를 실행합니다. 작성자 비교에서 이야기 토큰당 실행 흔적은 이전 Qwenputer NPU 방식의 22만5천 개에서 5만3천 개로 줄었습니다. 전체 체크포인트를 올리려면 40GB 이상 메모리를 갖춘 GPU가 필요하며, 시연은 컴퓨터 층만 실행합니다.
Betelgeuse는 필요한 MoE 전문가 가중치만 VRAM에 올리고, 나머지는 RAM 캐시와 NVMe에서 읽는 실험용 llama.cpp 포크입니다. 저장소가 제시한 22.03토큰/초는 새 배포 묶음의 성능을 인증하는 값이 아니라, 별도 과거 실행에서 나온 결과입니다.
마이크로소프트 Mage 팀이 화면 조작과 셸 작업을 한 모델에서 수행하는 4B 에이전트 Mage-VL-Cowork를 공개했습니다. 모델 카드의 OSWorld-Verified 점수는 66.0%로, Google Drive를 제외한 361개 작업을 50단계 제한 아래 두 차례 평가한 평균입니다.
Liquid AI가 영상과 이미지, 텍스트를 처리하는 LFM3-VL-2B를 공개했습니다. 로컬 시각 이해 작업을 겨냥하며 영상은 기본적으로 초당 2프레임으로 처리하고, 회사는 코딩과 다중 턴 대화에는 권장하지 않습니다.
16GB VRAM 노트북에서 MoE 모델 5종을 비교한 결과, expert만 CPU에 두는 방식은 Phi-3.5-MoE와 Apex-35B에서 빨랐지만 나머지 세 모델에서는 layer 전체를 옮기는 방식이 앞섰습니다. 모델별 구조와 양자화가 다르고 설정별 단일 측정이어서 속도 차이의 원인은 확정되지 않았습니다.
Liquid AI가 음성 인식·합성·번역과 녹음 이해, 도구 호출을 지원하는 20억 매개변수 모델 LFM3-Audio-2B를 공개했습니다. 한국어를 포함한 18개 언어의 음성 작업을 지원하지만, 음성 대화와 실시간 받아쓰기는 영어만 지원합니다. 회사가 제시한 지연 시간과 음성 변환 속도는 각각 특정 설명·장비 조건에 따른 수치입니다.
nesformer는 학습 없이 계산한 Qwen3.5 가중치로 NES의 6502 CPU와 2KB RAM, 최대 32KB 프로그램 ROM을 실행합니다. 화면 렌더링과 컨트롤러 처리는 호스트 프로그램이 맡고 지원 카트리지는 NROM으로 제한됩니다. 프로젝트가 제시한 테스트에서는 일부 게임 기록과 저장 프레임이 기준 에뮬레이터와 일치했지만 실행 속도는 실제 NES보다 150~290배 느립니다.
Pivotlake는 99m행 데이터의 UserID 집계를 4096개 파티션으로 나눠 처리한 실험을 공개했습니다. 단일 코어 비교에서 메모리 대기와 DRAM 읽기가 줄었고, 재실행 시간은 약 3.6초에서 약 2.7초로 짧아졌습니다.